基于高区分度patch的CNN图像分类

该算法是描述一类图像分类问题，它有如下特点：

如图，主动脉弓和心脏，绿色部分相同，而黄色部分不同。传统的CNN算法，区分效果不佳。在Multi-Instance Multi-Stage Deep Learning for Medical Image Recognition这篇文章中，作者针对这种场景提出了解决方法。

训练：将整张片子切分成patches，每个patch的label与整片的label相同，将这些patches放入CNN分类器训练，在反向传播时，通过修改损失函数：每个片子中对自己类别相应最高的patch才会贡献。如下L1是标准CNN的损失函数，L2是PCNN的损失函数：

这样训练出的网络，就会对有区分度的patch敏感，而对无区分度的无感。

在该人造数据集上，PCNN取得了完美的效果

在CT数据集上，也取得了很大提高。

 

我体会作者设计这个算法的流程是：

一、通用算法在特定数据集上效果不完美，作者思考其中的痛点，并尝试提出新算法来针对性解决。

二、设计一个人造数据集，验证新算法能完美解决这个痛点。

三、最终虽然对实际数据集有较大提升，但依然不能像人造数据集一样达到完美，是因为实际数据集还有别的痛点。

 

转载于:https://www.cnblogs.com/mimandehuanxue/p/8477483.html